التنبؤ ودعم التوقعات

المكاسب:

• القدرة على وضع الذكاء الاصطناعي كمساعد يولد سيناريوهات افتراضية في التنبؤ بالدخل / النفقات
• القدرة على كتابة مطالبات التنبؤ بالنطاق والحساسية بناءً على البيانات التاريخية والافتراضات الصريحة
• القدرة على التعرف على حدود تنبؤات الذكاء الاصطناعي ومزجها مع الحكم البشري

"كم سيكون حجم مبيعاتنا في العام المقبل؟" هي واحدة من أصعب الأسئلة بالنسبة للفريق المالي. التنبؤ هو التنبؤ بالمستقبل بناءً على البيانات والافتراضات السابقة. ويمكن للذكاء الاصطناعي (AI) أن يكون مساعدًا قويًا هنا؛ لكن من الضروري قبول حقيقة منذ البداية: النموذج لا يعرف المستقبل. إنه يعالج فقط الأنماط والافتراضات التي تقدمها. في هذه الوحدة، سوف نتعلم وضع الذكاء الاصطناعي في دوره الصحيح في التنبؤ والتعرف على حدوده.

ما الذي يفعله الذكاء الاصطناعي وما لا يفعله في التوقعات؟

وهو يفعل ذلك: يلخص الاتجاه السابق، ويتعرف على الموسمية (التقلبات المتكررة في أشهر معينة)، ويبني سيناريوهات بافتراضات مختلفة، ويشرح منطق التنبؤ، ويضع التنبؤ في سرد.

إنها لا تفعل ذلك: فهي لا تستطيع إعطاء مستقبل دقيق، ولا يمكنها التنبؤ بالصدمات الخارجية (أزمة سعر الصرف، وتغيير الأنظمة)، ولا يمكنها معرفة حقيقة غير موجودة في البيانات. الجملة "سوف تنمو بنسبة 18٪ في العام المقبل" التي قدمها برنامج الدردشة الآلي ليست نبوءة، ولكنها انعكاس رياضي للافتراضات التي تقوم بها.

نصيحة: لا تطلب من العارضة أبدًا "رقمًا واحدًا". اسأل دائمًا عن النطاق وما هي الافتراضات التي يستند إليها هذا النطاق. الجملة "14-15 مليونًا في الحالة الأساسية، الشرط: استمرار معدل النمو الحالي" هي أكثر صدقًا وإفادة من الجملة المنفردة "14.6 مليون".

خطوة بخطوة: بناء توقعات قوية

1. إعطاء البيانات التاريخية. تحدث لفترات قليلة على الأقل؛ شهريا إن أمكن.
2. اكتب الافتراضات بوضوح. معدل النمو، الموسمية، التغيرات المعروفة.
3. تحديد الطريقة. اتجاه بسيط، معدل موسميا أم يعتمد على السيناريو؟
4. اسأل عن النطاق والسيناريو. متفائل/قاعد/متشائم.
5. اسأل عن الحساسية. "ما هو الافتراض الذي يغير النتيجة أكثر؟"

موجه ضعيف / موجه قوي

موجه ضعيف: توقع حجم أعمالي في العام المقبل. لقد صنعنا هذا العام 12 مليونًا.

وهذا ينتج رقمًا واحدًا بدون أساس؛ ومن غير الواضح ما هو الافتراض الذي يستند إليه، وهو ما يشكل خطورة على القرار.

موجه قوي: دورك: محلل تخطيط مالي. المهمة: التنبؤ للأشهر الـ 12 المقبلة من بيانات الدخل الشهرية التالية. الطريقة: 1) قم أولاً بتلخيص الاتجاه والموسمية في البيانات التاريخية. 2) قم بإعداد 3 سيناريوهات مع الافتراضات التالية: - الأساس: متوسط معدل النمو لآخر 12 شهرًا مستمرًا - متفائل: النمو +3 نقاط - متشائم: النمو -5 نقاط 3) أعط إجمالي 12 شهرًا ونطاق شهري لكل سيناريو.4) قسم "الحساسية": ما هو الافتراض الذي يتغير، والنتيجة هي الأكثر تغيرًا؟ القيد: قم بإدراج الافتراضات بشكل صريح. اذكر أن التقدير هو توقع وليس يقينًا. لاحظ أنه لا يمكنك وضع نموذج للصدمات الخارجية.<data>يناير..أرقام الأعمال الشهرية لديسمبر</data>

هذه المطالبة؛ بدلاً من الرقم الدقيق، فإنه ينتج نطاقًا منطقيًا وسيناريوهات وتحليل حساسية مثل "معدل جمع/نمو الافتراضات الأكثر عرضة للخطر". يتخذ صانع القرار القرارات من خلال رؤية عدم اليقين.

الموسمية هي الموضوع الأكثر إغفالًا في التنبؤ. ترتفع مبيعات العديد من الشركات وتنخفض بانتظام في أشهر معينة: يصل صانع الآيس كريم إلى ذروته في الصيف، ومتجر الهدايا التذكارية يصل إلى ذروته في أيام العطلات. لا يمكن لخط الاتجاه الثابت رؤية هذا التقلب وسيقوم بإعداد المخزون والموظفين والخطة النقدية بشكل غير صحيح. إذا أعطيت الذكاء الاصطناعي ما يكفي من البيانات التاريخية (من الأفضل 24 شهرًا على الأقل)، فسوف يلاحظ هذا النمط المتكرر ويضبط التوقعات وفقًا لذلك.

طرق التنبؤ ودور الذكاء الاصطناعي

الطريقة

متى يكون ذلك مناسبا؟

مساهمة الذكاء الاصطناعي

الحدود

اتجاه بسيط

بيانات مستقرة وغير موسمية

يحصل على الاتجاه بسرعة

لا أستطيع رؤية الفواصل

التصحيح الموسمي

المبيعات متقلبة حسب الشهر

يشرح النمط الموسمي

تعلق جدا بالماضي

السيناريو القائم

فترة من عدم اليقين العالي

يختبر الفرضيات بسرعة

يعتمد على نوعية الافتراض

على أساس السائق

إذا كان الدخل يعتمد على عدة عوامل

يؤسس علاقة العامل

الإنسان يتحقق من العلاقة

التنبؤ القائم على السائق

غالبًا ما يكون توقع معدل الدوران بنسبة نمو واحدة أمرًا خامًا. الطريقة الأكثر قوة هي تقسيم الإيرادات على محركاتها: الإيرادات = عدد العملاء × متوسط ​​المبيعات لكل عميل × تكرار التكرار. إن توقع وضرب كل سائق على حدة يعطي تنبؤًا أكثر دقة وأكثر إثارة للشكوك؛ لأنك ترى بوضوح أي الافتراض قد تغير.

تقدير دخلي على أساس السائقين. الإيرادات = عدد العملاء النشطين × متوسط ​​الإيرادات الشهرية لكل عميل (ARPU). استخرج هذين المحركين بشكل منفصل خلال الأشهر الـ 12 الماضية، وفسر اتجاه كل منهما، ثم توقع الأشهر الـ 12 المقبلة من خلال توقع المحركين بشكل منفصل. اكتب الافتراض بوضوح لكل سائق؛ حدد أي برنامج تشغيل غير واضح. استخدم الأرقام فقط في البيانات، وإظهار الصيغ.

تكمن قوة هذه الطريقة في أنه بدلاً من قول "يزيد حجم المبيعات بنسبة 15%"، فإنك تقول "يزيد عدد العملاء بنسبة 8%، وتزيد الإيرادات لكل عميل بنسبة 6%". يمكن استجواب الاثنين بشكل منفصل. إذا كان أحدهما غير واقعي، يمكنك تعديل التقدير من هناك. تسأل الإدارة أيضًا "ما الافتراض الذي نعتمد عليه؟" يمكن الإجابة على السؤال بشكل ملموس.

الحساسية والانضباط الافتراض

جودة التنبؤ هي جودة الافتراضات. احتفظ دائمًا بالافتراضات مرئية للذكاء الاصطناعي وقم بالرجوع إليها وتحديثها فور حدوثها (التنبؤات المتجددة، أي التنبؤات المتجددة التي يتم تحديثها كل شهر).

قم بإدراج جميع الافتراضات التي استخدمتها في التوقعات أدناه في شكل جدول: الافتراض | القيمة | المصدر/السبب | وإذا تغيرت هذه القيمة بنسبة 10%، فإن ذلك يؤثر على النتيجة السنوية. ضع علامة على الافتراضات الثلاثة الأكثر هشاشة.

عند تقديم المخرجات التنبؤية للذكاء الاصطناعي إلى الإدارة، قم بتضمين "بطاقة الافتراض": الافتراضات الثلاثة الأكثر أهمية، وقيمها، ومصادرها. وبالتالي فإن التنبؤ لم يعد صندوقا أسود؛ الجميع يرى ما يراهنون عليه. وعندما ينحرف الإدراك، يمكنك تشخيص الافتراض الذي لم يكن صحيحًا بسرعة، مما يحسن التوقعات التالية.

تحذير: لا تدافع عن التنبؤ الناتج عن الذكاء الاصطناعي بالقول "هذا ما قاله النموذج". تقع مسؤولية التنبؤ على عاتق الشخص الذي يقدمه. اعرض دائمًا على الإدارة في إطار "هذا سيناريو يعتمد على هذه الافتراضات، وقد يختلف التنفيذ".

حالات صغيرة

الحالة 1 - التوقعات التي تشهد موسمية. قامت إحدى شركات البيع بالتجزئة بتزويد الذكاء الاصطناعي ببيانات مبيعات لمدة 24 شهرًا. ولاحظ النموذج قفزة ثابتة بنسبة 40% في الفترة من نوفمبر إلى ديسمبر، وقام بتعديل توقعاته للعام المقبل وفقًا لذلك. إذا تم استخدام الاتجاه الثابت، فإن خطة الأسهم في نهاية العام ستكون خاطئة بشكل خطير.

الحالة 2 - فخ الرقم الفردي. تعتمد شركة ناشئة ميزانيتها على توقعات الذكاء الاصطناعي "18 مليونًا العام المقبل". لكن ذلك كان مبنياً على افتراض أن "النمو مستمر على ما هو عليه". تم تحقيق 11M عندما غادر اثنان من العملاء الرئيسيين. وبمجرد تعلم الدرس، انتقل الفريق إلى نطاق السيناريو؛ غطت فرقة توقعات العام المقبل ما حدث بالفعل.

الحالة 3 - الحساسية غيرت القرار. وقالت منظمة العفو الدولية في توقعات الشركة المصنعة: "إن الافتراض الأكثر عرضة للخطر هو سعر المواد الخام"، موضحة أن زيادة السعر بنسبة 10% من شأنها أن تقلل الأرباح السنوية بنسبة 22%. ثم وقعت الإدارة عقدًا سنويًا بسعر ثابت مع المورد. لم تكن القيمة الحقيقية للتوقعات هي العدد، بل كانت هذه الرؤية الشعورية.

الحالة 4 - فوز التوقعات المتداولة. قام أحد بائعي التجزئة بتحديث توقعاته السنوية بقيم فعلية كل شهر، بدلاً من تحديدها مرة واحدة ونسيانها. وفي الشهر الثالث، تبين أن افتراض "النمو بنسبة 12%" كان في الواقع 7%؛ تم تصحيح التوقعات مبكرًا وتم تعديل خطة المخزون والتوظيف في نهاية العام وفقًا لذلك. ولو تم الحفاظ على التوقعات الثابتة، لكان هناك فائض كبير في المخزون وأزمة نقدية في نهاية العام. الدرس المستفاد: التوقعات هي وثيقة حية، لا يتم إعدادها مرة واحدة ووضعها جانبًا.

الأخطاء الشائعة

• يسأل عن رقم فردي. التنبؤ بدون نطاق ونص يخلق يقينًا زائفًا.
• إخفاء الافتراضات. الافتراض غير المرئي يعني التنبؤ الذي لا يمكن التشكيك فيه وتحديثه.
• الاعتماد أكثر من اللازم على الماضي. يمتد النمط إلى النمط الماضي؛ عدم القدرة على رؤية الكسور والصدمات الخارجية.
• الخلط بين التنبؤ والنبوءة. الذكاء الاصطناعي لا يعرف المستقبل؛ إنه يأخذ فقط افتراضاتك في الاعتبار.
• عدم تقديم توقعات متجددة. اضبط التوقعات مرة واحدة ثم انساها؛ لا يتم التحديث كما يحدث.

في ملخص

• إنه مساعد قوي في توقعات الذكاء الاصطناعي: يستخرج الاتجاه والموسمية، ويبني السيناريو، ويشرح المنطق؛ لكنها لا تعرف المستقبل ولا تستطيع رؤية الصدمات الخارجية.
• اطلب دائمًا نطاقًا افتراضيًا وسيناريوهات متفائلة/خط الأساس/متشائمة بدلاً من رقم واحد.
• قم بإدراج الافتراضات بوضوح وتحديد الافتراضات الأكثر عرضة للخطر من خلال تحليل الحساسية.
• تقع مسؤولية التنبؤ على عاتق الشخص الذي يقدمه؛ العرض على الإدارة بإطار عمل "السيناريو وليس اليقين".
• تحديث التوقعات كما يحدث مع التوقعات المتداولة؛ تثبيته مرة واحدة ولا تنسى.

مهمة التطبيق

الحصول على ما لا يقل عن 12 شهرًا من بيانات الإيرادات الفعلية (الفعلية أو العينة). قم بإنشاء توقعات مكونة من ثلاثة سيناريوهات لمدة 12 شهرًا باستخدام قالب موجه قوي. ثم قم بإزالة الافتراضات الثلاثة الأكثر هشاشة باستخدام موجه الحساسية. تحقق يدويًا من معدل النمو الشهري للحالة الأساسية للنموذج مرة واحدة وقم بتلخيص التوقعات على شريحة باستخدام إطار عمل "السيناريو، وليس اليقين".

قائمة مرجعية

• [ ] لقد قدمت بيانات تاريخية كافية (يفضل أن تكون شهرية).
• [ ] لقد أدرجت الافتراضات بشكل صريح وأدرجتها في النموذج.
• [ ] أردت نطاقًا مكتوبًا، وليس رقمًا واحدًا.
• [ ] لقد حددت الافتراض الأكثر هشاشة من خلال تحليل الحساسية.
• [ ] لقد قمت بالتحقق يدويًا من حساب النمو للحالة الأساسية.
• [ ] لقد قدمت التقدير في إطار "السيناريو وليس اليقين".